本文提出基于条件随机场的混合半马尔可夫模型，应用于自然语言处理中的神经序列标注任务，该模型采用词级别和片段级别的信息同时作为特征来提升性能，在 CoNLL 2003 命名实体识别任务中取得了最好的结果。
May, 2018
该论文介绍结构化预测方法 —— 条件随机场，它是分类方法和图形建模的结合，可用于自然语言处理、计算机视觉和生物信息学等领域，该论文还描述了 CRFs 的推断和参数估计方法，以及实现大规模 CRFs 的实际问题。
Nov, 2010
介绍了一种名为 CRF-RNN 的新型卷积神经网络，该网络将卷积神经网络（CNN）和基于 CRFs 的概率图建模相结合，用于语义图像分割任务，结果在 Pascal VOC 2012 分割基准测试上获得了最好的结果。
Feb, 2015
本研究提出了一种易于实现的条件随机场变体 MCRF，对 CRF 生成的非法标签序列的问题进行了解决，并在几乎不增加成本的情况下，彻底改善了已有 CRF 模型的性能表现。
Mar, 2021
本文介绍了一种基于并行化的近似变分推断算法，用于提高线性链条件随机场模型的训练和预测速度，并将其设计成可连接编码器的端到端网络，在长句子情况下，该方法在准确率不降的情况下将解码速度提高了 12.7 倍。
Sep, 2020
在临床领域中，序列标注是一种广泛使用的方法，其主要应用是从非结构化的自然语言数据中提取药物、指示和副作用等医学实体。本文通过使用具有循环神经网络的多种基于 CRF 的结构化学习模型，扩展了先前研究的 LSTM-CRF 模型，并提出了一种具有 RNN 位势的跳链 CRF 推理的近似版本，以实现各种医学实体的精确短语检测。
Aug, 2016
该论文介绍了如何在全连接 CRFs 中添加条件独立假设，从而利用卷积重构推理，提高了推理和训练的速度，并可以通过反向传播轻松优化卷积 CRFs 的所有参数，以便于后续的 CRF 研究。
本文研究了使用循环神经网络框架在电子病历中提取医疗事件和属性的序列标注任务，实验结果表明其优于传统的有监督机器学习模型，可应用于药物监管等医疗信息学领域。
Jun, 2016
该研究通过在深度网络中嵌入结构化的 CRF，将包含目标检测和超像素等等高级潜在因素的方法应用于语义分割任务中，实现了 PASCAL VOC 基准上最佳分割性能。
Nov, 2015
本研究提出了一种新的模型 S-T CRF (空间 - 时间 条件随机场), 除了轨迹的空间和时间信息外，还巧妙地融入了意图信息，通过结合空间 - 时间表示，利用条件随机场 (CRF) 生成后续意图的表示，从而极大地改善了后续轨迹的预测。此外，研究还创新地设计了空间 CRF 损失和时间 CRF 损失，分别用于增强交互约束和时间动力学。在 ETH/UCY 和 SDD 数据集上进行了广泛实验评估，证明了所提方法超过了现有的基线方法。
Nov, 2023